首先，确保已安装huggingface-cli：

pip install -U "huggingface_hub[cli]"

然后，指定要下载的文件：

huggingface-cli download bartowski/nvidia_OpenMath-Nemotron-14B-Kaggle-GGUF --include "nvidia_OpenMath-Nemotron-14B-Kaggle-Q4_K_M.gguf" --local-dir ./

如果模型大于50GB，会被拆分为多个文件。若要将所有文件下载到本地文件夹，运行：

huggingface-cli download bartowski/nvidia_OpenMath-Nemotron-14B-Kaggle-GGUF --include "nvidia_OpenMath-Nemotron-14B-Kaggle-Q8_0/*" --local-dir ./

可以指定新的本地目录（nvidia_OpenMath-Nemotron-14B-Kaggle-Q8_0）或直接下载到当前目录（./）。

Artefact2提供了一篇很棒的文章，带有展示各种性能的图表，链接 在此。

首先，确定能运行的模型大小。需要了解自己的系统有多少RAM和/或VRAM。

• 若想让模型运行得尽可能快，应将整个模型放入GPU的VRAM中。选择文件大小比GPU总VRAM小1 - 2GB的量化模型。
• 若追求最高质量，将系统RAM和GPU的VRAM相加，然后选择文件大小比该总和小1 - 2GB的量化模型。

接下来，决定使用“I-quant”还是“K-quant”。

• 如果不想考虑太多，选择K-quant，格式为“QX_K_X”，如Q5_K_M。
• 如果想深入了解，可以查看这个非常有用的特性图表：llama.cpp特性矩阵。
• 一般来说，如果目标是低于Q4，并且使用cuBLAS（Nvidia）或rocBLAS（AMD），应考虑I-quant，格式为IQX_X，如IQ3_M。这些是较新的量化方式，相同大小下性能更好。
• I-quant也可在CPU上使用，但比K-quant慢，需要在速度和性能之间进行权衡。

Q4_0_8_8在提示处理方面有显著提升，在文本生成方面有小幅提升。